近年来遭受到抑郁症困扰的人数日益增多,当前抑郁症的诊断主要依赖于对患者症状的主观评价,缺乏明确的生物标志物(Biomarker)以及客观的诊断方法。另一方面,已经有大量研究表明脑部核磁共振(MRI)图像能够反映大脑神经活动的变化,因此,利用计算机技术对脑部核磁共振(MRI)图像进行分类来实现抑郁症诊断成为研究的热点。然而由于抑郁症的发病机理尚不明确以及强异质性特点,无法直接通过MRI图像分辨出抑郁症大脑的病变活动区域,使得基于大脑MRI图像进行抑郁症分类的研究仍然面临着巨大的挑战。基于上述背景,本文针对大脑MRI图像,提出了基于手工特征设计的抑郁症分类方法以及基于深度学习的抑郁症分类方法。本文主要工作如下:1.脑部MRI图像预处理算法。为了消除采集的原始大脑图像个体形态差异和噪声干扰问题,采用了图像标准化处理和图像滤波处理;针对四维时间序列静息态功能像,提取了四种常用特征作为初始三维特征图,在此基础上进行有效特征的提取和分类模型的构建。2.基于手工特征设计的抑郁症分类算法。针对多变量模式分析方法中提取全局特征时容易丢失局部有效的细节信息的问题,提出了一种区域特征融合的分类方法。首先将图像分为若干区域,采用特征选择来提取区域特征并融合,之后通过支持向量机对融合的区域特征进行分类。实验结果表明,融合的区域特征能够充分捕捉到对分类有效的细节差异信息,从而增强了特征表达能力。与基于全局特征进行分类的方法相比,分类精度得到了大大提高,证明了区域特征融合分类方法的有效性。3.基于深度学习的抑郁症分类算法。本文将区域特征提取网络与胶囊网络相结合,构建了一个端到端训练的分类网络。通过在区域上学习特征表示既可以捕获细节差异,又可以增强网络的拟合能力。因此,设计并对比了Res Net和Dense Net两种深度卷积神经网络结构,选择了前者作为合适的特征提取网络。针对抑郁症异质性较强的问题,利用胶囊网络来捕捉抑郁症大脑病变区域分布差异,从而有效地提升了分类性能。本文研究的数据集样本均采集自昆明医科大学附属医院,共有92例样本。通过在该数据集上测试算法性能,实验结果验证了本文所提算法的有效性。